Pengembangan Aplikasi Sido Chatbot sebagai Aplikasi Pengenalan Objek Wisata Kediri Menggunakan Rule-Based Pattern Matching
Notice bibliographique
Résumé
Pariwisata merupakan salah satu pendorong utama pertumbuhan ekonomi di Indonesia, dengan kontribusi yang signifikan terhadap lapangan kerja dan ekonomi kreatif. Provinsi Jawa Timur, khususnya Kabupaten Kediri, memiliki potensi besar sebagai destinasi wisata yang berdaya saing. Upaya transformasi digital dalam sektor pariwisata, termasuk pengembangan infrastruktur teknologi dan analisis data, menjadi langkah penting untuk meningkatkan daya tarik wisata. Salah satu solusi efektif dalam memberikan informasi wisata adalah melalui penerapan chatbot. Metodologi kuantitatif deskriptif diterapkan dengan menggunakan pendekatan rule-based pattern matching untuk pengembangan chatbot, serta pengujian keberhasilan mencapai persentase 83,33%, yang mengindikasikan sebagian besar fungsionalitas aplikasi berjalan dengan baik. Namun, masih terdapat area yang memerlukan perbaikan. Untuk meningkatkan performa, perlu diperluas cakupan data latih yang mencakup berbagai jenis percakapan, serta pengintegrasian kecerdasan buatan (AI) guna memperkaya pengetahuan chatbot. Evaluasi dan penyesuaian model chatbot secara berkala juga penting untuk meningkatkan kualitas dan responsivitasnya dalam memberikan informasi yang akurat kepada pengunjung wisata di Kediri.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».